空間目標紅外特征提取與識別技術

李瑞東，孫協昌，李 勐

?

空間目標紅外特征提取與識別技術

李瑞東，孫協昌，李 勐

（北京衛星信息工程研究所，北京 100086）

針對空間目標紅外識別中典型的類內變化大、類間變化小等問題，提出了一種用支持向量機（Support Vector Machine，SVM）分類器結合局部二值模式（Local Binary Pattern，LBP）直方圖特征和灰度直方圖特征的空間目標紅外特征提取與識別方法。以國內某衛星和國外某衛星為研究對象，提取它們紅外圖像的LBP直方圖特征以及灰度直方圖特征；使用紅外仿真軟件生成兩個目標在不同姿態、不同分辨率下的樣本圖，并分成兩部分，分別作為SVM分類器的訓練集和測試集。實驗結果表明，LBP直方圖特征和灰度直方圖特征均能夠以較高的準確率對空間目標進行識別，且其識別效能與目標紅外圖像的分辨率以及SVM核函數有關。

紅外識別；特征提??；空間目標

0 引言

自從1957年發射第一顆人造地球衛星以來，人類在航天領域的活動也逐漸頻繁起來，隨之而來的則是不斷增加的在軌航天器以及空間碎片，造成空間環境日益惡化。惡劣的空間環境不僅對在軌航天器構成直接威脅[1]，甚至對地面上人類的活動也形成了潛在的威脅。據不完全統計，目前在環繞地球的軌道上總共有超過6000噸的人造空間物體，其中能夠工作的航天器僅占7%，其余的均為空間碎片，且碎片的數量仍然逐年增加。

為了保障衛星等航天器的安全，急需開展空間目標監視識別技術研究。當前已有許多國家取得較好的成效，美國、俄羅斯、英國、法國、德國和日本等國家都已經具有探測空間目標的能力，特別是美國己經建立了較完善的空間目標監視識別系統。

紅外探測經過幾十年的發展，已經成為一種非常重要的光學探測手段。熱輻射是紅外輻射的來源主要，其本質是物體內部分子和原子的運動所產生的，而且溫度越高，這種微觀運動越劇烈，所產生的紅外輻射也越強，因此紅外探測對于目標與背景之間的溫差具有較高的敏感性[2]；其次，物體的紅外輻射能量不完全來自于環境的入射能量，其散發出的能量也不局限于反射能量，因此無論在白天還是夜間都可以進行目標紅外探測[3]，可全天時工作；與有源的電磁探測手段相比[4]，紅外探測手段本身還具有隱蔽性的特點。因此，從目標的紅外特征入手，研究空間目標紅外特征提取識別技術，對空間目標監視識別系統的構建具有重要意義。

1 空間目標紅外特征提取

目標特征提取是目標識別的前提和保障，其基本任務是從大量的觀測數據中提取最有效的特征，為空間目標識別、特性編目、參考圖制備和交會分析提供信息基礎。

1.1 用于目標檢測的描述子估計

目前計算機視覺領域發展了一些用于目標檢測的、性能優良的特征描述子，比如Haar特征、LBP特征、SIFT描述子等。

1）Haar特征

Haar特征是一種簡單而有效的特征，相對比較簡單，計算速度較快，對于有固定結構的目標檢測有非常好的效果。Haar特征模板由白色和黑色兩種矩形組成，其特征值為白色矩形在圖像子窗口對應區域的灰度值之和減去黑色矩形在圖像子窗口對應區域的灰度值之和，反映了圖像局部的灰度變化情況。圖像的結構位置以及輪廓線或關鍵點都可以通過這種對簡單矩形特征的計算進行提取。

常用的Haar特征包括4類特征，分別為邊緣特征、線型特征、中心特征和對角特征。由于矩形模板可以在圖像中任意位置、任意尺度計算，因此可以認為Haar特征主要由3個因素決定，分別是矩形模板類別、起始位置和矩形大小。也正是由于Haar特征這種非常靈活的特性，因而可以在圖像中提取大量的Haar特征。此外，還可以通過積分圖實現Haar特征的快速計算。

2）LBP算子

LBP特征不僅能描述一些局部微小特征，包括亮點、暗點、穩定區域及紋理細節等，而且能反映出這些特征的分布情況。另外，LBP具有任意單調變換不變性和圖像旋轉不變性。

3）SIFT特征

SIFT算法由D．G．Lowe 1999年提出[7]，并在2004年完善總結。SIFT算法是一種基于計算機視覺的算法，主要用來對影像中的局部性特征進行偵測與描述，并在空間尺度中尋找極值點，同時將其位置、尺度和旋轉不變量提取出來。

SIFT算法[8]信息量豐富，適用于對大量特征進行快速、準確的匹配；在目標物體很少的條件下，該算法也能夠產生大量的SIFT特征向量；不僅如此，SIFT算法經過優化之后可能達到實時運算的效果，且能夠與多種其它形式的特征向量聯合使用，其拓展性也十分良好。

從理論上說，SIFT特征是一種相似不變量，即對圖像尺度變化和旋轉是不變量。SIFT特征對圖像的視點變化、仿射變換、噪聲和光照變化具有了較強的適應性，定位精度比較高。

1.2 特征選擇和提取

針對空間目標紅外特征提取識別問題，以國內某衛星（以下簡稱國內衛星）和國外某衛星（以下簡稱國外衛星）為研究對象，并對其進行特征提取和識別。初始考慮如下3種特征提取方案：

1）提取紅外圖像的Harris角點，對每個角點生成描述符，然后利用詞袋（BOW）模型進行編碼形成每幅圖像的描述子；

2）提取紅外圖像的LBP直方圖特征；

3）提取紅外圖像的灰度直方圖特征。

經過實驗采用后兩種特征。對于方案1），實驗發現在圖像分辨率較高的情況下，確實能夠提取到很多角點，但是當圖像分辨率降低到[20 20]以下之后，角點檢測算法基本失效，在圖像上檢測到的角點個數非常少、甚至檢測不到，因此后續無法利用BOW模型對圖像進行編碼，圖1給出了一組角點檢測失敗的例子。

對于方案2），鑒于最小的圖像分辨率為[10 10]，在提取LBP直方圖特征時設定cell大小為[5 5]，并最終對整幅圖像所有cell上的LBP直方圖取平均值，然后做L1歸一化，作為該圖像的LBP直方圖特征。圖2和圖3給出了國內衛星和國外衛星部分圖像及其LBP直方圖特征。從圖中可以看出，衛星在不同的姿態下其LBP直方圖特征也不相同；而且LBP特征直方圖的bin數量較多，圖像局部特征差異提取較為充分，更有利于微小差異的檢測。

對于方案3），直接提取灰度直方圖特征，直方圖的bin數設為16，然后做L1歸一化。圖4和圖5給出了國內衛星和國外衛星部分紅外圖像及其灰度直方圖特征。相比于LBP直方圖特征，灰度直方圖bin的數量大大減少，但是直方圖特征之間的差異也更為明顯，對于目標整體之間的差異檢測非常有效。

圖1 在分辨率為[50 50]下角點檢測失敗的圖像對

圖2 國外衛星紅外圖像及其LBP直方圖特征

Fig.2 Infrared images and LBP histogram characteristics of the foreign satellite

圖3 國內衛星紅外圖像及其LBP直方圖特征

圖4 國外衛星紅外圖像及其灰度直方圖特征

圖5 國內衛星紅外圖像及其灰度直方圖特征

2 空間目標紅外識別

目標識別的基本原理[9]是利用檢測手段獲取被識別對象的各種特征參數，并在此基礎上建立參考樣本，然后將被識別對象與參考樣本進行比較辨認。因此，參考樣本的準確性和唯一性對于目標的準確識別具有重大影響。

對于空間目標紅外識別而言，難點主要在于觀測獲取的目標圖像無約束姿態變化和分辨率低。同一目標在不同姿態下得到的觀測圖像往往差異很大，而不同衛星在某些姿態下的觀測圖像又很相似，即目標紅外識別是典型的類內變化大，類間變化小的目標識別問題。

2.1 樣本生成

利用紅外仿真軟件分別生成國內衛星和國外衛星在不同姿態、不同分辨率下的圖像作為訓練樣本和測試樣本。針對每個目標，分別生成[10 10], [20 20], [30 30], …, [100 100]等10種分辨率下的全姿態空間樣本圖像，在特定的分辨率下，分別在,,三個軸上每隔45°采樣一個樣本，總共生成8×8×8＝512幅圖像，并針對每種分辨率按照統一的方法分別訓練分類器，從而給出分辨率對識別結果的影響。圖6為兩個目標在不同像素大小下的樣本示例。

圖6 不同分辨率下國外衛星和國內衛星樣本示例圖

2.2 分類器訓練

目前常用的分類器有歐氏距離最近鄰法和最近中心鄰法，方法簡單直觀且計算量小，但是對于復雜目標的分類能力有限[10]；神經網絡分類器具有自適應性、自組織和自學習等優點，但是其收斂速度慢，且對樣本依賴性較強；而SVM分類器在解決小樣本和高維模式識別問題上表現優異[11]，且分類速度較快。對于空間目標這種難以長時間持續跟蹤獲得大量樣本的識別問題而言，SVM分類器將具有更好的適應性。

SVM分類器通過訓練學習得到樣例的輸入輸出對應關系[12]，然后根據新輸入樣本預測輸出結果。其基本思想可以概括為[13]通過內積函數定義的非線性變化將輸入空間變換到一個高維空間，然后在這個新空間中求解最優分類面。

1）SVM基本原理

SVM是一個兩類分類器，對于給定標記好的訓練樣本，SVM輸出一個最優化的分隔超平面，最優化度量可以定義為超平面距離所有訓練樣本的最小距離，或稱為間隔（margin），最優分割超平面能夠最大化訓練數據的間隔。

下式定義經典超平面表達式：

|＋T|＝1 (2)

式中：稱為權重向量；稱為偏置；式中表示離超平面最近的點。點到超平面(,)的距離為：

對于經典超平面，表達式中的分子為1，因此支持向量到經典超平面的距離為：

間隔（margin）表示為，取值是最近距離的兩倍：

最大化轉化為附加限制條件下最小化函數，限制條件為超平面將所有訓練樣本x正確分類：

即

式中：y表示樣本的類別標記。上式可以通過拉格朗日乘數法得到最優超平面的權重向量和偏置。

2）軟間隔SVM分類器

上述SVM學習方法是針對線性可分問題的，并不適用于線性不可分訓練數據，因為此時上述不等式約束并不能都成立。因此，需要修改間隔最大化，使其成為軟間隔最大化。假設給定一個特征空間上的訓練數據集：

＝{(1,1), (2,2), …, (x,y)} (8)

式中：x為第個特征向量，y為x的類標記。由于訓練數據集是線性不可分的，說明訓練數據中存在一些特異點，將這些特異點除去后，其余樣本組成的集合將仍然是線性可分的。為此可以對每個樣本點(x,y)引進一個松弛變量≥0，使函數間隔加上松弛變量大于等于1。約束條件變為：

即

y(Tx＋)≥1－,≥0,＝1, 2, …,(12)

3）核函數與SVM分類器

針對線性問題，線性SVM是有效辦法；而針對非線性問題，則需要將原空間的數據映射到新空間，在新空間里使用線性分類學習方法。此時，涉及度量樣本間相似性的徑向基函數（RBF）：

式中：、為兩個樣本；為經驗系數。

2.3 識別過程與結果

識別過程如下：

1）在每種分辨率條件下，國內衛星和國外衛星的紅外圖像被隨機劃分為兩份，其中512幅圖像（國內衛星和國外衛星各256幅）作為訓練樣本，剩余512幅作為測試樣本。

2）對訓練樣本分別進行LBP直方圖特征和灰度直方圖特征的提取。

3）利用提取的兩類特征對線性核SVM分類器和RBF核SVM分類器進行訓練，分別確定其最優超平面的權重向量和偏置。

4）將訓練好的兩種SVM分類器對測試樣本進行分類識別，并統計兩種SVM分類器分別用LBP直方圖特征和灰度直方圖特征進行目標識別的準確率、目標樣本的召回率以及虛警率。

假設測試樣本中共有個國外衛星樣本，個國內衛星樣本，經過分類之后，共有P個國外衛星樣本被正確識別，N的國外衛星樣本被錯誤識別，有：

＝P＋N(14)

共有N個國內衛星樣本被正確識別，P個國內衛星樣本被錯誤識別，有：

＝N＋P(15)

識別準確率定義為：

Acc＝(P＋N)/(＋) (16)

召回率定義為：

Rec＝P/(P＋N) (17)

虛警率定義為：

FalA＝P/(P＋P) (18)

5）將上述過程通過隨機劃分樣本的方式對每種分辨率下的紅外圖像進行100次實驗，統計不同核函數的SVM分類器和不同特征的識別結果。

圖7為使用線性核SVM和LBP直方圖特征，針對不同分辨率圖像，在訓練集和測試集上的識別準確率、召回率和虛警率曲線，表1給出相應的性能指標數據。

圖7 線性核SVM＋LBP直方圖特征的識別結果曲線

表1 線性核SVM＋LBP直方圖特征的識別結果

圖8為使用RBF核SVM和LBP直方圖特征，針對不同分辨率圖像，在訓練集和測試集上的識別準確率、召回率和虛警率曲線，表2給出相應的性能指標數據。

圖8 RBF核SVM＋LBP直方圖特征的識別結果曲線

表2 RBF核SVM＋LBP直方圖特征的識別結果

圖9為使用線性核SVM和灰度直方圖特征，針對不同分辨率圖像，在訓練集和測試集上的識別準確率、召回率和虛警率曲線，表3給出相應的性能指標數據。

圖10為使用RBF核SVM和灰度直方圖特征，針對不同分辨率圖像，在訓練集和測試集上的識別準確率、召回率和虛警率曲線，表4給出相應的性能指標數據。

圖9 線性核SVM＋灰度直方圖特征的識別結果曲線

識別過程中，不同方案的時間復雜度其區別主要體現在兩個方面，一是提取特征的復雜度，二是SVM分類器核函數的復雜度。本次實驗選取了目標紅外圖像的LBP直方圖特征和灰度直方圖特征，由于LBP直方圖特征需要先提取目標的LBP特征，然后提取其直方圖特征，對于×大小的圖像，其時間復雜度為(92)，而灰度直方圖特征的時間復雜度為(2)，因此相比于灰度直方圖特征，LBP直方圖特征的時間復雜度更高；其次，在核函數的選擇上，由于RBF核函數涉及到非線性運算，因此其時間復雜度也要高于線性核函數。

表3 線性核SVM＋灰度直方圖特征的識別結果

圖10 RBF核SVM＋灰度直方圖特征的識別結果曲線

表4 RBF核SVM＋灰度直方圖特征的識別結果

3 結論

通過上述實驗結果可知：

1）LBP直方圖特征和灰度直方圖特征均具有目標識別的能力。從圖7和圖9中可以看出，在使用線性核SVM分類器的條件下，LBP直方圖特征在紅外圖像分辨率達到[10 10]的時候，識別率已經大于85%；灰度直方圖特征在分辨率為[30 30]的時候也已經大于85%的識別率；而從圖8和圖10中可以看出，在使用RBF核SVM分類器的條件下，在紅外圖像分辨率為[10 10]的時候，LBP直方圖特征和灰度直方圖特征均達到90%以上；

2）無論是LBP直方圖特征還是灰度直方圖特征，使用RBF核SVM分類器的識別效能要優于線性核SVM分類器?？臻g目標識別并非線性可分問題，通過RBF核函數將非線性問題映射到線性空間，再進行分類識別，結果大大提高了識別概率，也說明了SVM分類器處理線性不可分問題時的良好性能，當然其時間復雜度也更高；此外，隨著紅外圖像分辨率的增加，識別率整體呈上升趨勢。這是由于隨著分辨率的增加，紅外圖像包含的信息越多，與直觀預期相符合；

3）在使用線性核SVM分類器的時候，分辨率較低時，LBP直方圖特征的識別率要優于灰度直方圖特征；而分辨率較高的時候，灰度直方圖特征優于LBP直方圖特征。

[1] 王藝. 基于激光技術空間碎片的主動移除[D]. 南昌: 南昌航空大學, 2015.

WANG Yi. Active Space Debris Removal Based on Laser Technology [D]. Nanchang: Nanchang Hangkong University, 2015.

[2] 蘇剛. 云背景空中目標紅外仿真研究[D]. 武漢: 華中科技大學, 2014.

SU Gang. The Study on the Infrared Simulation of Aerial Target under Cloud Background [D]. Wuhan: Huazhong University of Science and Technology, 2014.

[3] 季圓圓. 典型地物紅外特征仿真關鍵技術研究[D]. 大連: 大連海事大學, 2014.

JI YuanYuan. Study on Key Techniques of Simulation for Infrared Characteristics of Typical Ground Objects [D]. Dalian: Dalian Maritime University, 2014.

[4] 馬偉. 衛星熱輻射特性及其空間輻照環境效應研究[D]. 南京: 南京理工大學, 2011.

MA Wei. Research on Thermal Radiation Characteristics and Effects of Space Exposure [D]. Nanjing: Nanjing University of Science and Technology, 2011.

[5] 曹凱. 基于特征描述子的人臉識別方法研究[D]. 西安: 西安電子科技大學, 2014.

CAO Kai. A Study of Feature Descriptors For Face Recognition [D]. Xian: Xidian University, 2014.

[6] Y. Rodriguez, S. Marcel. Face Authentication Using Adapted Local Binary Pattern Histograms[C]//,, 2006, 3954(4): 321-332.

[7] D. G. Lowe. Distinctive image features from scale invariant key points[J]., 2004, 60(2): 91-110.

[8] 劉朵. 基于特征描述子的目標跟蹤研究[D]. 西安: 西安電子科技大學, 2013.

LIU Duo. Research on Feature Descriptor-based Object Tracking [D]. Xi’an: Xidian University, 2013.

[9] 王彥. 基于圖像的空間目標識別關鍵技術研究[D]. 西安: 西安電子科技大學, 2010.

WANG Yan. Key Technology of Space Object Identification Based on Image[D]. Xi’an: Xidian University, 2010.

[10] 譚敏潔. 基于壓縮感知的雷達一維距離像目標識別[D]. 成都: 電子科技大學, 2015.

TAN MinJie. High Range Resolution Profile Target Recognition Based on Compressed Sensing[D]. Chengdu: University of Electronic Science and Technology of China, 2015.

[11] 李瑞帥. 基于Adaboost和SVM的快速行人檢測方法研究[D]. 桂林: 桂林電子科技大學, 2014.

LI RuiShuai. Research on Fast Pedestrian Detection Method Based on Adaboost and SVM[D]. Guilin: Guilin University of Electronic Technology, 2014.

[12] 壽娜. 基于圖像的行人檢測系統研究[D]. 浙江: 浙江工業大學, 2013.

SHOU Na. The Research of Pedestrian Detection System For Images [D]. Zhejiang: Zhejiang University of Technology, 2013.

[13] 張迪飛, 張金鎖, 姚克明,等. 基于SVM分類的紅外艦船目標識別[J].紅外與激光工程, 2016, 45(1): 167-172.

ZHANG DiFei, ZHANG JinSuo, YAO KeMing, et al. Infrared Ship-Target Recognition Based on SVM Classification[J]., 2016, 45(1): 167-172.

Infrared Feature Extraction and Recognition Technology of Space Target

LI Ruidong，SUN Xiechang，LI Meng

(,100086,)

Dissimilarity is usually large among the same space target but small among different ones for infrared recognition. Aiming at these problems, a method of space-target infrared feature extraction and recognition with the use of SVM classifier combining with LBP histogram feature and gray histogram feature is proposed. A domestic satellite and a foreign satellite are taken as the objects of study. LBP histogram feature and gray histogram feature of their infrared images are extracted. Sample images under different attitudes and resolutions are generated by the simulation software, and they are divided into two parts, one for SVM classifier training set and the other for test set. The test results indicate that not only can both LBP histogram feature and gray histogram feature recognize the space targets with a high accuracy, but also their recognition performances relate to the resolution of infrared images and the kernel functions of SVM.

infrared recognition，feature extraction，space target

TN219

A

1001-8891(2017)05-0427-09

2017-01-04；

2017-04-18。

李瑞東（1992-），男，湖北武穴人，碩士研究生，主要從事空間遙感信息處理方向的工作。

國家863計劃課題（2014AA7032031E）；火箭軍裝備預研項目。